Elk account op micali.online verzamelt in een maand honderden cijfers. Wie je boekingspagina heeft bekeken en waar diegene vandaan kwam. Wie het detail van een tijdslot opende en nooit meer terugkwam. Welke tijdsloten volboekt raakten, welke leeg bleven, wie niet kwam opdagen en wie vijf keer op rij boekte. In Statistieken kun je die cijfers terugvinden. Maar cijfers alleen vertellen je niet wat je ermee moet doen op maandagochtend, wanneer er een klant voor je staat en geen spreadsheet.
Daarom hebben we een AI-adviseur aan micali.online toegevoegd. In principe eens per week doorloopt hij je account, herberekent alles wat er in de afgelopen 30 dagen is gebeurd, vergelijkt dat met de vorige maand en met de andere accounts op het platform, en stuurt je 3 tot 5 concrete aanbevelingen om meer boekingen te krijgen. Elke aanbeveling heeft een cijfer dat hem heeft veroorzaakt, een reden, stappen en een link naar het scherm waar je de eerste stap zet. In de app vind je hem onder de naam Tips voor je bedrijf.
In dit artikel laten we zien wat de adviseur precies berekent, waarom achter elke aanbeveling wiskunde zit en geen onderbuikgevoel, waarom elk voorstel voordat het wordt verstuurd door een mens wordt gelezen, en hoe de aanbevelingen eruitzien die de eerste accounteigenaren al hebben ontvangen.
Wat de adviseur ziet
De adviseur werkt met een venster van 30 dagen en een even lang venster daarvoor, zodat hij een tijdelijke uitschieter kan onderscheiden van een trend. Van je account stelt hij een momentopname samen van acht gebieden:
- Verkeer naar je openbare pagina: het aantal mensen, waar ze vandaan kwamen (Facebook, Instagram, Google, directe link, betaalde advertenties), via welk apparaat, in welke taal en welke pagina ze als eerste bezochten.
- Boekingsfunnel: hoeveel mensen de lijst zagen, hoeveel het detail van een tijdslot of dienst openden, hoeveel een boeking startten, hoeveel zich aanmeldden en hoeveel de boeking afrondden.
- Bezetting van elk evenement en elk tijdslot: lege tijdsloten, volle tijdsloten, het gemiddelde aantal bezette plekken, en welke dag en welk uur van de week het beste voor je werken.
- Aanwezigheid en betalingen: wie kwam, wie niet kwam, hoeveel boekingen zonder registratie bleven en hoeveel onbetaalde boekingen je in de komende zeven dagen hebt.
- Bezoekers: wie herhaaldelijk boekt, wie nog nooit heeft geboekt, wie 60 dagen niets van zich heeft laten horen en wie regelmatig komt maar geen prepaidpakket heeft.
- Prepaidpakketten: wat er in de komende twee weken afloopt, wat is verlopen zonder verlenging en wat wacht op goedkeuring.
- Communicatie: onbeantwoorde berichten van bezoekers, mislukte e-mails, ingestelde herinneringen en vragenlijsten.
- Profiel: lengte van de beschrijving, categorie, website, sociale media, contactgegevens. Kortom, wat een bezoeker als eerste ziet.
Hoe cijfers signalen worden
Dit is de kern van het hele systeem. De momentopname van je account wordt niet door AI gelezen, maar door een set van meer dan twintig deterministische detectoren. Elk van hen zoekt naar één specifiek patroon, en als hij dat vindt, maakt hij een signaal aan met de cijfers die het bewijzen. Een paar voorbeelden van wat er onder de motorkap wordt berekend:
Snelle afhakers. Bij elke weergave van de lijst meten we hoe lang een bezoeker erop bleef. Vertrekt hij binnen tien seconden, dan tellen we dat als een snelle afhaker. Doet meer dan de helft van de mensen dat, dan heeft de lijst hen niet verteld waarom ze verder zouden moeten klikken.
Funnel per stap. We volgen de overgang van het detail van een tijdslot naar een gestarte boeking, naar aanmelding en naar afronding. Elke stap heeft zijn eigen ratio. Tegelijk splitsen we bezoekers op in mensen die via betaalde advertenties kwamen en organisch bezoek, zodat we zien of de advertenties mensen aantrekken die echt boeken, of alleen klikken.
Beste en slechtste tijden van de week. Elk tijdslot dat heeft plaatsgevonden, plaatsen we in een cel dag van de week × uur en voor elke cel berekenen we het gemiddelde aantal bezette plekken. Cellen met minstens twee tijdsloten sorteren we, zodat de adviseur kan zeggen dat donderdag om 19.00 uur je gemiddeld drie bezette plekken oplevert en vrijdag om 8.00 uur geen enkele.
Lege tijdsloten en bezettingsgraad. Bij elk evenement vergelijken we het aantal tijdsloten dat plaatsvond met het aantal lege tijdsloten. Bleef minstens de helft van vijf of meer tijdsloten leeg, dan is dat een sterk signaal. Raakten de tijdsloten wel bezet, maar gemiddeld onder 30 % van de capaciteit, dan is dat een zwakker signaal met een andere aanbeveling.
Boekingen op het laatste moment. Uit het verschil tussen het aanmaken van een boeking en het begin van het tijdslot berekenen we de gemiddelde voorsprong. Boekt meer dan 40 % van de mensen minder dan 24 uur van tevoren, dan is het zinvol om herinneringen en promotie anders te plannen.
No-shows. Uit de geregistreerde aanwezigheid berekenen we het aandeel mensen dat boekte en niet kwam opdagen. Boven de 20 % is dat een signaal dat vaak samenhangt met een ontbrekende herinnering vóór het tijdslot of een ontbrekende betaallink.
De drempels zijn bewust conservatief. Een signaal betekent „dit is een zin waard”, niet „dit is statistisch zeker”. En bij weinig data zwijgt een detector liever dan dat hij iets aanbeveelt op basis van drie bezoeken.
Vergelijking met het hele platform
De meeste cijfers hebben zonder vergelijking geen enkele betekenis. Is een overgang van 3 % van tijdslotdetail naar boeking een slecht resultaat? Dat kun je niet zeggen zonder te weten wat anderen behalen. Daarom herberekent de adviseur bij elke run de medianen van het hele platform voor de belangrijkste verhoudingen: snelle afhakers vanaf de lijst, bezoeken van één pagina, overgang van detail naar boeking, bezettingsgraad van tijdsloten en het aandeel geregistreerde aanwezigheid. Alleen accounts met voldoende verkeer tellen mee in de medianen, zodat nieuwe of nauwelijks gebruikte accounts ze niet vertekenen.
De vergelijking heeft nog een gevolg waar we veel waarde aan hechten. Heeft je account een zwakke overgang van detail naar boeking, maar heeft het hele platform diezelfde zwakke overgang, dan ligt het probleem niet aan jouw beschrijving van het tijdslot. Dan ligt het probleem aan onze boekingspagina. Zo'n signaal krijg je nooit als aanbeveling te zien. In plaats daarvan belandt het op het bureau van ons team als productfeedback. De adviseur zoekt dus niet alleen naar wat jij kunt verbeteren, maar ook naar wat wij moeten verbeteren.
In de vergelijking gaan uitsluitend samengevatte medianen mee. Geen enkel account ziet de cijfers van een ander account, en jouw aanbevelingen bevatten alleen jouw eigen gegevens. Andere accounts zijn er slechts in aanwezig als één getal: de mediaan waarmee je wordt vergeleken.
Waar AI wel en niet aan te pas komt
Het taalmodel in dit systeem berekent niets. Het krijgt de momentopname van het account, de lijst met signalen met bewijscijfers en de medianen van het platform, en zijn taak is daar begrijpelijke aanbevelingen van te maken. De regels zijn strikt: elke aanbeveling moet op precies één signaal steunen, mag alleen cijfers gebruiken die in de momentopname bestaan, en mag alleen verwijzen naar schermen uit de toegestane lijst. De output van het model doorloopt vervolgens een controle. Een aanbeveling zonder signaal, met een verzonnen cijfer of met een link buiten de lijst wordt weggegooid voordat iemand hem ooit ziet.
Daardoor kunnen we elke zin in een aanbeveling terugvoeren naar het cijfer waaruit hij is ontstaan. Als de adviseur schrijft dat „373 mensen via advertenties kwamen en niet één een boeking startte”, dan is dat geen schatting. Het is een regel uit de momentopname van je account.
Elke aanbeveling gaat langs een mens
Ook met strikte regels blijft het zo dat een model een zin kan schrijven die cijfermatig klopt en toch ongelukkig geformuleerd is. Daarom eindigt elke run van de adviseur als een concept dat iemand van ons team leest. Die persoon kan aanbevelingen aanpassen, goedkeuren of afwijzen. Pas goedgekeurde aanbevelingen worden vertaald naar de taal van je account en verstuurd. Niemand zou een ochtendles moeten laten verstoren door automatisch gegenereerde tekst die niemand heeft gelezen.
Deze stap kost ons tijd, maar we willen hem niet overslaan. micali.online wordt gebruikt door studio's en bedrijven in 31 talen, en een advies dat voor een yogastudio in Bratislava vanzelfsprekend is, kan voor een muziekschool in Warschau onbruikbaar zijn. Een mens in de lus is de reden waarom we achter onze aanbevelingen staan.
Hoe ziet dat er bij jou uit
Zodra de aanbevelingen klaar zijn, krijgen de beheerders van het account een e-mail en een melding in de app. Op de hoofdpagina van het account verschijnt de kaart Tips voor je bedrijf. Elke tip heeft:
- een gekleurde stip die de urgentie aangeeft, van informatief tot dringend, en groen bij een positief signaal, wanneer iets goed gaat en het de moeite waard is om erop voort te bouwen,
- Waarom: één tot drie zinnen met de cijfers die de tip hebben veroorzaakt,
- Wat te doen: twee tot vier stappen, zowel in de app als daarbuiten, bijvoorbeeld welk evenement je moet aanpassen, wie je een e-mail moet sturen of wat je in je advertentie moet veranderen,
- één zin over wat er in de praktijk verbetert,
- een knop Openen, die je rechtstreeks naar het scherm brengt waar je de eerste stap zet.
Bij elke tip kun je klikken op Klaar, Verbergen of Niet nuttig. Afgehandelde tips verdwijnen van de kaart en je reactie komt bij ons terecht. Een tip die eigenaren als niet nuttig markeren, is voor ons een signaal om een detector of drempel bij te stellen, niet om jou te overtuigen.
Zes voorbeelden uit de praktijk
De volgende aanbevelingen zijn ontstaan tijdens de eerste runs van de adviseur. De namen van accounts en evenementen hebben we veranderd, de cijfers zijn echt.
Advertenties die mensen aantrekken, maar geen boekingen. In 30 dagen kwamen er 373 bezoekers via betaalde advertenties. Niet één begon een boeking, ze bekeken gemiddeld 1,1 pagina's. Uit organisch verkeer kwamen 181 mensen, van wie er 14 zich aanmeldden. Aanbeveling: de campagne die naar de algemene lijst leidt pauzeren, en de advertentie rechtstreeks naar een specifiek tijdslot laten verwijzen, met dag, uur en de knop „Plek boeken”. De eerste stap staat in Statistieken, waar je ziet wat de mensen uit de advertentie daadwerkelijk deden.
Ochtendtijdsloten waar niemand naartoe komt. De ochtendles pilates had 23 tijdsloten en alle 23 bleven leeg. De avondles van dezelfde studio had 17 van de 21 leeg, maar de cellen donderdag, zaterdag en zondag om 19.00 uur kwamen er het beste uit. Aanbeveling: de ochtendtijdsloten naar de avond verplaatsen, voor de overgebleven ochtendlessen een minimumcapaciteit en aanmelddeadline instellen zodat een les zonder belangstelling niet doorgaat, en drie concrete avondtijden promoten.
Tijdslotdetail waar niets op volgt. Het evenementdetail bekeken 467 mensen, geen enkele begon een boeking en 14 meldden zich aan. Dat is 3 % tegenover een platformmediaan van 14,3 %. Tegelijk hadden drie evenementen een korte of helemaal geen beschrijving. Aanbeveling: in de beschrijvingen toevoegen voor wie de les is, wat een deelnemer eraan overhoudt, wat hij moet meebrengen en hoe de boeking verloopt. Pas daarna de link opnieuw delen.
Tijden die werken, vragen om meer tijdsloten. De kinderlessen op dinsdag om 10.00 uur hadden gemiddeld 8 bezette plekken en op vrijdag om 10.00 uur vijf. Tegelijk had het account 86 % geopende e-mails van de 201 verstuurde. Aanbeveling: extra tijdsloten toevoegen op dinsdag- en vrijdagochtend en die aankondigen via een e-mail, die ouders overduidelijk lezen.
Volle tijdsloten zonder wachtlijst. De individuele lessen hadden drie volle tijdsloten en de groepslessen twee, en bij beide stond de wachtlijst uit. Aanbeveling: zet hem aan en stel een berichtsjabloon in, zodat een plek die vrijkomt na een annulering naar de volgende geïnteresseerde gaat en niet leeg blijft.
Mensen op de lijst die nooit hebben geboekt. Het account had 32 geregistreerde bezoekers, van wie er 19 nooit hadden geboekt en 10 herhaaldelijk boekten. Aanbeveling: van die 19 een mailinglijst maken en hen een bulk-e-mail sturen met een directe link naar het eerstvolgende tijdslot. De herhaalde bezoekers apart benaderen. Een bestaand contact terugwinnen is goedkoper dan een nieuw contact vinden.
En nog een bonus die niets met wiskunde te maken heeft, alleen met aandacht: bij één account wachtte een bericht van een bezoeker 825 uur op antwoord. De adviseur haalde het naar boven als het meest urgente signaal van de week.
Wat de adviseur niet is
Het is geen glazen bol. De adviseur ziet alleen wat er in micali.online staat: boekingen, verkeer naar je openbare pagina, aanwezigheid, berichten. Hij ziet je omzet niet, je kosten niet en ook niet wat er in de sportschool gebeurt. Heeft een account weinig data, dan stuurt de adviseur liever twee aanbevelingen dan vijf verzonnen. En als je het niet eens bent met een tip, markeer hem dan als Niet nuttig. De beslissing is altijd aan jou, de adviseur moet het je alleen makkelijker maken.
Hoe je het inschakelt
De AI-adviseur is, net als al het andere in micali.online, zonder meerprijs. We schakelen hem geleidelijk per account in, zodat we elke eerste run goed kunnen controleren. Wil je nu al tips voor je account, stuur ons dan een bericht via de sectie Ondersteuning rechtstreeks in de app. De aanbevelingen komen bij de beheerders van het account terecht, in principe eens per week, altijd in de taal van het account. En als je het gevoel hebt dat de adviseur iets belangrijks over het hoofd heeft gezien, laat het ons weten. Precies uit zulke berichten ontstaan nieuwe detectoren.
